Bases de datos dispobibles en el environment

ls() 

##  [1] "bases_polic"            "columnas"              
##  [3] "columnas_proy"          "cr_dist"               
##  [5] "delitos_canton"         "files_polic"           
##  [7] "files_proy"             "nombres"               
##  [9] "nombres_proy"           "proyecciones"          
## [11] "proyecciones_polygonos" "proyecciones_wide"

Creación de un indice de delitos cantonales

Creamos un índice de delitos controlando las proyecciones de poblacionales del Centro Centroamericano de Poblacion \[indice delitos_{t, d} = 100 * delitos_{t, d} / poblacion_{t, d} \]

Se tomaron las bases de datos del Poder Judicial años 2015-2018 y se unieron a las proyecciones poblacionales provistas por el Centro Centro Americano de Población del 2000 al 2050

Evolución de los delitos en el tiempo

evol_ano<-delitos_canton %>% filter(ano != 2019) %>% data.frame() %>% group_by(ano) %>% select(ano, poblacion, delitos) %>% summarise(delitos = sum(delitos, na.rm = T), poblacion = sum(poblacion, na.rm = T)) %>%  mutate(indice_delitos = 100*delitos / poblacion)

hchart(evol_ano, "line", hcaes(x = ano, y = indice_delitos))

Como se diferencian los delitos por canton

delitos_cant <- delitos_canton %>% mutate(indice = 100 * delitos/poblacion)

tmap_mode("view")

## tmap mode set to interactive viewing

tm_shape(delitos_cant) +
  tm_polygons(col = "indice", palette = "Blues", n = 8, id= "dist_nom1")+
#   tm_shape(delitos_canton)+
#   tm_dots(col = "yellow", size = "componente", scale = 1, alpha = 0.5)
tm_view(set.view = 7.5)

Delitos por provincia

base2<-delitos_canton %>% 
  group_by(prov_nom2) %>%
  filter(ano!=2019)  %>%
  summarise(conteo=n()) 


ggplot(base2,aes(prov_nom2,conteo))+
  geom_col(aes(fill=prov_nom2))+
  scale_fill_brewer(palette = "Blues")+
  ggtitle("Número de delitos por provincia en Costa Rica, entre los años 2015 y 2018")+
  xlab("Provincia")+
  ylab("Número de delitos")+theme_bw()

Diferencia en la distribución de delitos por sexo para cada tipo de delito

diamonds <- bases_polic %>% group_by(ano, Delito, Genero, Genero) %>% summarise(n=n())

hcboxplot(x = diamonds$n, var = diamonds$Delito, var2 = diamonds$Genero,
          outliers = FALSE) %>% 
  hc_chart(type = "column")

library(collapsibleTree)
  collapsibleTreeSummary(
    bases_polic %>% group_by( Delito, Edad, ano) %>% summarise(n= n()),
    hierarchy = c( "Delito", "Edad", "ano"),
  
  
      root = "base_polic",
      width = 800,
      attribute = "n",
      zoomable = FALSE
  )